UNIVERSIDAD NACIONAL DEL SANTA

Escuela Acadmico Profesional de Ingeniera de Sistemas e Informtica (EAPISI) (CURRCULO 2008)

CURSO: INVESTIGACIN DE OPERACIONES II

MODULO: TEORA DE DECISIONES

FACILITADOR

Juan Pablo Snchez Chvez

NVO. CHIMBOTE -

2013

CONTENIDO
SEMANA 07 I TEORIA DE DECISIONES
1. 2. 3. PROBABILIDADES PROBABILIDAD BAJO BAJO CONDICIONES CONDICIONES DE DE INDEPENDENCIA ESTADSTICA DEPENDENCIA ESTADSTICA TEOREMA DE BAYES:

SEMANA 08
4. REVISIN DE PRE ESTIMACIONES DE PROBABILIDADES

UNIDAD II SEMANA 07
I
1.

TEORIA DE DECISIONES BAJO CONDICIONES DE

PROBABILIDADES

INDEPENDENCIA ESTADSTICA
Los eventos son estadsticamente Independientes cuando la ocurrencia de un evento no influye en la ocurrencia de cualquier otro evento futuro. Tipos de Probabilidades Bajo independencia Estadstica Son Marginal, Conjunta y Condicional

Probabilidades Estadstica

Marginales

Bajo

independencia

Esta dado por la probabilidad Sencilla de la Ocurrencia de un evento. Ejemplos: 1. Accin : Se lanza una moneda por tercera vez, si dos resultados anteriores fueron Sello y Sello cual es la probabilidad que el tercer resultado sea sello. Evento : Salga Sello (la ocurrencia de los dos eventos anteriores no influyen en el tercer resultado ya que son eventos estadsticamente independientes). P(sello) = 1/2

2. Accin : Con la informacin de una moneda cargada en la que Cara ocurren el 0.90 del tiempo y Sello el 0.10 del tiempo, si el resultado del ultimo evento es Sello cul es la Probabilidad que en el siguiente evento el resultado sea Cara ? Evento : Salga Cara (El resultado par el nuevo evento no se ve afectado por el resultado del ltimo evento; por son eventos estadsticamente independientes) P(Cara) = 0.90 que

Probabilidades Estadstica

Conjuntas

Bajo

Independencia

La probabilidad de que ocurran juntos o en sucesin dos ms eventos independientes, esta dado por el producto de las Probabilidades Marginales. P(AB) = P(A) * P(B) Donde: P(AB) = Conocido como Probabilidad Conjunta, es la

probabilidad de que los eventos A y B ocurran juntos o en sucesin. P(A) P{B) = = Probabilidad Marginal de que el evento A ocurra Probabilidad Marginal de que el evento B ocurra

Ejemplos: 1. Accin

Un Experimento de lanzamiento de una moneda imparcial en el que a) b) c) se desea conocer la probabilidad de que se obtengan: Dos caras en dos tiros consecutivos. Tres sellos en tres tiros consecutivos. Cara Sello Sello Cara en cuatro tiros consecutivos, (C1 S2 S3 C4). Eventos: a) Cara 1Cara 2 (1=primer tiro, 2=segundo tiro). P(cara1,cara2) = = P(cara1) * P(cara2) 1/2 * 1/2 = 1/4 = 0.25

Eventos: b) Sello 1 Sello2 Sello3 P(Sello1,Sello2,Sello3) = P(sello1) * P(Sello2) * P(sello3) = = Eventos: c) C1 S2 S3 C4 P(C1,S2,S3,C4)= P(cara1)*P(sello2) *P(sello3)* P(cara4) = = 2. que Accin : el excito o fracaso en la venta ocurra 1/2 1/16 * = 1/2 0.0625 * 1/2 * 1/2 1/2 1/8 * = 1/2 0.125 * 1/2

Se da una probabilidad de que se haga una venta, p, y de independientemente. Se variables: venta = p, no venta = l - p = q ,directamente: a) La probabilidad de una secuencia de ventas y no ventas alternas primera. b) La probabilidad de venta, no venta, no venta, venta, venta, venta. en seis visitas de venta, realizndose la desea conocer con las siguientes

c)

La probabilidad de no venta, venta, venta, venta, venta y no venta.

Para (a) P(p,q,p,q,p,q) = P(p) *P(q) *P(p) *P(q) *P(p) *P (q) = p*q*p*q*p*q. = p*p*p*q*q*q. Para (b) P(p,q,q,p,p,p) = P(p) *P(q) *P(q) *P(p) *P(p) *P(p) = p*q*q*p*p*p. = p*p*p*p*q*q.

Para (c) c)P{q,p,p,p,p,q) = P(q) *P(p) *P(p) *P(p) *P(p) *P(q) = q*p*p*p*p*q. = p*p*p*p*q*q. 3. tres Accin lanzamientos consecutivos de monedas imparciales.

Se da las listas colectivamente exhaustivas para un, dos y Sabiendo que las probabilidades de eventos independientes mutuamente exclusivos son ADITIVOS (SE SUMAN), se pide las probabilidades.

TIRO

TIROS

TIROS

Result. ProbaCl S1 0.5 0.5 1.0

Resultad. Probabilid. Resultados Probabilid. Posibles 0.25 0.25 0.25 0.25 1.00 C1C2C3 C1C2S3 C1S2C3 C1S2S3 S1C2C3 S1C2S3 S1S2C3 S1S2S3 0.125 0.125 0.125 0.125 0.125 0.125 0.125 0.125 1.000 C1C2 C1S2 S1C2 S1S2

Posible bilidad Posibles

a) De cuando menos una cara (C) en dos tiros b) De al menos un Sello (S) en tres tiros c) De al menos dos Sellos (S) en tres tiros a) Eventos : Una cara o ms = 0.75

P(C ms) = 1 - P(S1,S2) = 1 - 0.25 b) c) Eventos : Un Sello o ms Eventos : Dos Sellos o ms + P(S1,S2,S3).

P(S ms) = 1 - P(C1,C2,C3) = 1 - 0.125 = 0.875 P(2 sellos o ms) = P(C1,S2,S3) + P(S1,C2,S3) + P(S1,S2,C3)

= 0.125 + 0.125 + 0.125 + 0.125 =

0.5

Probabilidades Estadstica

Condicionales

Bajo

Independencia

Simblicamente P(A\B) Es la Probabilidad de que suceda el evento A dado que, ha ocurrido el evento B, y esta dado por: P(A\B) = P(A) Esto es cierto ya que, para de eventos estadsticamente eventos anteriores NO independientes la ocurrencia

AFECTAN la probabilidad del nuevo evento, Ejemplo: 1. el Accin : evento sello, para un nuevo lanzamiento se pide la

Se ha lanzado una moneda imparcial una vez: y ha resultado probabilidad de que salga nuevamente sello. Evento : P(S2\S1) = S2 \ S1 P(S2) = 0.5

2. PROBABILIDAD

BAJO

CONDICIONES

DE

DEPENDENCIA ESTADSTICA
La Dependencia Estadstica Existe cuando la Probabilidad de algn evento es DEPENDIENTE DE O AFECTADO POR la ocurrencia de algn otro evento, los tipos de Probabilidades bajo dependencia Conjunta. estadstica son: Marginal, Condicional y

Probabilidades Estadstica

Marginales

Bajo

Dependencia

Simblicamente se representa por P(A) es exactamente igual a la probabilidad marginal de un evento estadsticamente independiente, es decir su formula es: P(A) = P(A) Puesto que una y esta slo y una la probabilidad probabilidad

involucrada

marginal se refiere a slo una de ellas.

Probabilidades Estadstica
Dado por : P(A\B)

Condicionales

Bajo

Dependencia

Significa : Probabilidad de que el evento A ocurra dado que ha ocurrido el evento B, en este caso la probabilidad de que ocurra A depende de B o es afectado por la probabilidad de B. P(AB) P(A\B) = -------P(B)

Se lee, la probabilidad que ocurra A dado que B a ocurrido es igual a la probabilidad de que A y B ocurran juntos dividido por la probabilidad de ocurrencia de B, ejemplo: 1. Accin :

Se tiene la siguiente informacin una caja que contiene 10 bolas de las cuales: 3 bolas son color rojo y con puntos, 1 bola es color roja y con rayas, 4 bolas son color amarillas y con puntos, y 2 bolas son color amarillas y con rayas. La probabilidad de sacar cualquier bola en particular es : 1/10 = 0.1

Equivalencia: Ro Am Pu Ra * 1 = Roja = Amarilla = Punteada = Rayada

Suponga que alguien saca una bola de la caja y nos dice que es Roja.

a) Cul es la probabilidad que sea Punteada ? b) Cul es la probabilidad que sea Rayada ? * 2 Suponga que alguien saca una bola de la caja y nos dice que es Amarilla. c) Cul es la probabilidad que sea Punteada ? d) Cul es la probabilidad que sea Rayada ? * 3 Suponga que alguien saca una bola de la caja y nos dice que es Punteada. e) Cul es la probabilidad que sea Roja ? f) Cul es la probabilidad que sea Amarilla ? * 4 Suponga que alguien saca una bola de la caja y nos dice que es Rayada. g) Cul es la probabilidad que sea Roja ? h) Cul es la probabilidad que sea Amarilla ? Solucin: *1 a) P(Pu\Ro) = b) P(Ra\Ro) = *2 c) P(Pu\Am) = d) P(Ra\Am) = *3 e) P(Ro\Pu) = f) P(Am\Pu) = *4 g) P(Ro\Ra) =

h) P(Am\Ra) =

Probabilidades Estadstica

Conjuntas

Bajo

Dependencia

De la formula de Probabilidad condicional bajo dependencia estadstica: P(A\B) Probabilidad entonces: P(AB) = P(A\B) * P(B) Se lee, La probabilidad conjunta de los eventos A y B es igual a la probabilidad del evento A, dado que el evento B ha ocurrido, por la probabilidad del evento B. Ejemplos: Usando la misma informacin del ejemplo general de = P(AB) Bajo / P(B), la P(AB) sera la Conjunta Dependencia Estadstica,

probabilidad condicional bajo dependencia estadstica, *l A alguien se le pedir que saque una bola de la caja, cul es la probabilidad que la bola que saque sea: a) b) c) d) Roja y Rayada ?. Roja y Punteada ?. Amarilla y Rayada, si la probabilidad de ocurrencia que la bola sea amarilla dado que es rayada es 0.8. Amarilla y Punteada, si la probabilidad de ocurrencia que la bola sea amarilla dado que es punteada es 0.4. Solucin.Expresando en la formula general los eventos conjuntos tenemos: *1 a) P(RoRa) = P(Ro\Ra) * P(Ra)

= P(RoRa) * P(Ra) P(Ra) = b) 0.2 * 0.5 = 0.1

P(RoPu) = P(Ro\Pu) * P(Pu) = P(RoPu) P(Pu) = 0.6 * 0.5 = 0.3 * P(Pu)

c)

P(AmRa) = P(Am\Ra) * P(Ra) = 0.8 * 0.5 = 0.4

d)

P(AmPu) = P(Am\Pu) * P(Pu) = 0.4 De * 0.5 = 0.2 Marginales Bajo

Ejemplos

De

Calculo

Probabilidades

Dependencia Estadstica Con la siguiente obtenidas en *1, P(RoRa) P(RoPu) P(AmRa) P(AmPu) = = = = 0.1 0.3 0.4 0.2 informacin de probabilidades conjuntas

a) Hallar la probabilidad Marginal del evento Rojo, P(Ro)

b) Hallar la probabilidad Marginal del evento Amarillo, P(Am) c) Hallar la probabilidad Marginal del evento Punteado, P(Pu) d) Hallar la probabilidad Marginal del evento Rayado, P(Ra)

Solucin :

Estas probabilidades marginales se obtienen al sumar aparezca probabilidades el evento de conjuntas inters en que donde queremos

calcular, as: a) b) c) d) P(Ro) = P(RoRa) + P(RoPu) = 0.1 + 0.3 = 0.4 P(Am) = P(AmRa) + P(AmPu) = 0.4 + 0.2 = 0.6 P(Ra) = P(RoRa) + P(AmRa) = 0.1 + 0.4 = 0.5 P(Pu) = P(RoPu) + P(AmPu) = 0.3 + 0.2 = 0.5

Aplicaciones de probabilidades marginales. Problema 1: En una de las divisiones de la Compaa XYZ un grupo de auditoria interna conformado por dos personas ha comenzado a evaluar el sistema de seguridad para encontrar alguna deficiencia. Cada auditor trabaja independientemente del otro. Por experiencia en auditoras anteriores cada auditor tiene una probabilidad de 0.6 de encontrar una deficiencia del sistema durante el perodo de auditora. Si ambos auditores encuentran tal deficiencia la probabilidad de que el sistema necesite redisearse es del 0.8. Si cualquiera de los dos auditores encuentran una deficiencia, la probabilidad es 0.5 que el sistema necesite redisearse. S ninguno de los auditores encuentra una deficiencia, todava hay una pequea probabilidad de 0.2 que el sistema necesite redisearse.

Cul es la probabilidad que, despus de una auditoria cualesquiera de un grupo de dos personas (auditores), se tenga que redisearse el sistema? Solucin: Datos: Definicin de las variables de los eventos: A B = El auditor 1 encuentra una deficiencia = El auditor 2 encuentra una deficiencia

nA = El auditor 1 no encuentra una deficiencia nB = El auditor 2 no encuentra una deficiencia Rl = Redisear el sistema si (A y B) R2 = Redisear el sistema si ((A y nB) o (B y nA)) R3 = Redisear el sistema si (nA y nB) Independencia Estadstica P(A) = 0.6 P(B) = 0.6 P(R1) P(R2) P(R3) = 0.8 = 0.5 = 0.2 P(nA) = 1 - 0.6 P(nB) = 1 - 0.6 = = 0.4 0.4

Lo que buscamos es la probabilidad marginal de redisear el sistema y esta est dado por la suma de las probabilidades conjuntas en donde aparezca redisear el sistema . P(Redisear el sistema)=P((R1(AB))+P(R2 ((A nB)o(B nA) )) + P(R3 (nA nB)) .... = ???

A continuacin encontramos las probabilidades conjunta

Probabilidad de que ambos auditores encuentren una deficiencia P(AB) = P(A) * P(B) = 0.6 * 0.6 = 0.36

Probabilidad de slo uno de ellos encuentre una deficiencia P((A nB) (B nA)) = P(A) * P(nB) + P(B) * P(nA) = 0.6 * 0.4 = 0.48 + 0.6 * 0.4

Probabilidad de que ninguno de ellos encuentre una deficiencia P(nA nB) = = P(nA) * P(nB) 0.16 = 0.4 * 0.4

A continuacin encontramos la Probabilidad Marginal P(Redisear el sistema)= P((R1 (AB))+P(R2((A nB)o(B nA))) + P(R3 (nA nB)) =P(R1)*P(AB) + P(R2)* P((A nB) (B nA)) + P(R3) *P(nA nB) = 0.8 = 0.56 Respuesta : * 0.36 + 0.5 * 0.48 + 0.2 * 0.16

Despus de una auditoria de un grupo cualesquiera de dos personas, hay una probabilidad de 0.56 de que el sistema de seguridad tendr que ser rediseado.

3. TEOREMA DE BAYES:
A la formula fundamental de Probabilidad Condicional Bajo Dependencia Estadstica se le conoce como Teorema de Bayes: P(A\B) = El P(AB) / P(B) de Bayes constituye un poderoso mtodo

teorema

estadstico de evaluacin de nueva informacin limitada la que es tomada de base para revisar nuestras preestimaciones de probabilidades. Al usar correctamente este mtodo no es necesario recolectar una gran cantidad de datos a travs de largos perodos de tiempo, para tomar decisiones basadas en probabilidades.

SEMANA 08
REVISIN DE PRE ESTIMACIONES DE PROBABILIDADES
Si una organizacin ha obtenido las probabilidades iniciales o previas para un determinado evento, y en el proceso de alcanzar este resultado se obtiene informacin adicional, entonces, las probabilidades previas pueden ser alteradas agregando y relacionando a la informacin inicial dicha informacin adicional obtenida. A estas nuevas probabilidades se le conocen como probabilidades Revisadas o Posteriores. El origen para obtener probabilidades y la posteriores moderna con de

informacin limitada se debe al Matemtico Ingls Reverendo Toms Bayes (1702 1761), teora

Decisiones

menudo

se

le

llama

Teora

Bayesiana

de

Decisiones en su honor. Revisin de Probabilidades. 1^^ En una caja existen dos dado cargado (identificados como dado tipol y dado tipo2) y, se quiere conocer la probabilidad probabilidad elementales) a) Evento elemental P(tipol) b) = 1/2 : Tipol = 0.5 de de se saque el el dado tpol, y la sacar dado tipo2. (eventos

Evento elemental P(tipo2) = 1.2

: tipo2 = de 0.5 probabilidades Previas). Un

2^^

(Primera

Revisin

Experimento indica que de la mitad de tiros logrados por el dado tipol el 30 % de las veces sale el nmero seis, y de la otra mitad de tiros logrados por el dado tipo2 el 60 % de las veces sale el numero seis. Se saca un dado, se tira una vez y sale un seis. a) Cul es la probabilidad de que sea el dado tipol? b) Cul es la probabilidad de que sea el dado tipo2? Solucion : Datos: * * * * P(Evento elemental tipol) = 0.5. P(Evento elemental tipo2) = 0.5. 30 60 % % = = 0.3 0.6 sera sera la probabilidad condicional la probabilidad condicional P(seis\tipol). P(seis\tipo2).

Con

los

datos

anteriores

podemos

encontrar

las

probabilidades conjuntas ** ** Con P(Seis, Evento elemental tipol) = 0.3 * 0.5 = 0.15 P(Seis, Evento elemental tipo2) = 0.6 * 0.5 = 0.30 las probabilidades conjuntas podemos encontrar la

probabilidad marginal del Evento Seis, la cual estar dada por la suma de las probabilidades conjuntas donde aparezca seis. P(Seis) = P(seis, Ev.elem. tipol) + P(seis,ev.elent. tipo2) = = 0.15 0.45 + 0.30

Con la informacin obtenida ahora s, podemos dar respuesta a lo que se nos pide haciendo uso de la formula de del teorema de Bayes (adecuando la informacin).

a)

P(tipol\seis) =

P(tipol. seis) P(ses)

0.15 0.45 =

= 1 3 2 3 punto podemos

b)

P(tipo2\seis) =

P(tipo2, seis) = 0.30 P(seis) 0.45 en este de

2^^

Con

la

informacin o revisar

obtenida nuestro

alterar

estimado

probabilidad

previo, nuestro nuevo estimado posterior es que hay una probabilidad de 1/3 que el dado sacado sea el .tipol y el 2/3 de que dado sacado sea del tipo2. PROBABILIDADES POSTERIORES CON MS INFORMACIN 3^^ (Segunda revisin de probabilidades) Imaginemos que con un slo tiro no es suficiente para indicar si el dado es tipol tipo2. Entonces a podramos el dado obtener otra mas vez). informacin (volviendo tirar

Suponga que EL MISMO DADO es tirado por segunda vez y nuevamente sale seis. a) Cul es la Probabilidad revisada que el dado es tipol ? b) Cul es la probabilidad revisada que el dado es tipo2 ? Solucin: Datos: * * * * * * P(Evento elemental tipol) P(Evento elemental tipo2) P(seis\tipol) P(seis\tipo2) = = 0.3 0.6 = 0.3 * 0.3 = 0.6 * 0.6 = = 0.9 0.36 = 0.5 = 0.5

P(2 seis \ tipol) P(2 seis \ tipo2)

Con los datos anteriores de la informacin inicial y la ltima nueva informacin podemos encontrar las probabilidades conjuntas de que ocurran en sucesin 2 seis y el evento elemental. *** P(2 seis, Evento elemental tipol) = 0.09 * 0.5 = 0.045 *** P(2 seis, Evento elemental tipo2) = 0.36 * 0.5 = 0.180 Con las probabilidades conjuntas podemos encontrar la

probabilidad marginal del Evento 2 Seis, la cual estar dada por la suma de las probabilidades conjuntas donde aparezca 2 seis. P(2Seis) = P(2seis,Ev.elem.tipol) + P(2 seis,ev.elem.tipo2) = = 0.045 0.225 + 0.180

Con la informacin obtenida, haciendo uso de la formula del teorema de Bayes damos respuesta a lo que se nos pide (adecuando la informacin) a) P(tipol\2seis) = P(tipol. 2seis) = P(2seis) b) P(tipo2\2seis) = P(tipo2, 2seis) = P(2seis) Conclusin: En virtud de tirar dos veces el mismo dado y observar su conducta podemos estar 80 % seguros que el dado es tipo2, esta nueva informacin lo hemos obtenido simplemente al tirar el mismo dado dos veces y no nos ha representado costo alguno; pero obtener nueva informacin en una 0.045 0.225 0.180 = 0.8 0.225 = 0.2

organizacin cuesta, y los que toman decisiones no slo deben saber como utilizar la nueva informacin para revisar probabilidades previas, sino tambin determinar cuanto vale esa nueva informacin antes del hecho, menor que su costo. ya que en muchos casos el valor de la nueva informacin obtenida puede se

Aplicaciones De Revisin De Probabilidades Previas

1 (Tres observaciones con resultados Consistentes) Un fabricante utiliza una mquina automtica para producir cojinetes. Si el ajuste en la etapa de preparacin es Correcto, la mquina producir 90% de cojinetes buenos, si el ajuste es incorrecto la mquina producir slo el 40 % de cojinetes buenos. Por experiencias anteriores se sabe que en la etapa de preparacin el 70 % de las veces se hace el ajuste correcto. Despus de cierta preparacin, la mquina produce 3 cojinetes aceptables (buenos) como las 3 primeras piezas. Cul es la probabilidad revisada que en esta etapa de preparacin el ajuste haya sido correcto ?. Solucin: Como queremos conocer probabilidad del evento Correcto (correcto e incorrecto sern nuestros eventos elementales), entonces: Eventos Correcto Incorrecto Como datos : : : P(correcto) P(incorrecto) tenemos = = 0.70 1 - 0.70 = de que 0.30. el cojinete

probabilidades

producido sea Correcto si ha sucedido el evento ajuste correcto o incorrecto, estas probabilidades lo expresamos como formulas: P(l Cojinete Bueno \ Ajuste Correcto) = 0.90

P(l Cojinete Bueno \ Ajuste Incorrecto) Con la informacin de probabilidades las nueva probabilidades

0.40 podemos para

anteriores

encontrar

condicionales

3 cojinetes buenos, dado el evento inicial de ajuste, as; P(3CojinetesBuenos\AjusteCorrecto) = 0.90*0.90*0.90 = 0.729 P(3CojinetesBuenos\AjusteIncorrecto)=0.40*0.40*0.40 = 0.064 Ahora encontramos las probabilidades de la ocurrencia

conjunta que sucedan evento ajuste y 3 cojinetes buenos P{3CojintesBuenos, ajusteCorrecto) = 0.729 * 0.70 = 0.5103 P(3CojintesBuenos, AjusteIncorrecto)= 0.064 * 0.30 = 0.0192 Nota: estos clculos se ajustan a la formula general de probabilidad condicional bajo dependencia estadstica P(AB) =P(A\B) * P(B) Clculo de la probabilidad marginal de 3 cojinetes buenos P(3Cojinetes Buenos) Se nos pide: P(AjusteCorrec\3cojinetes.Buenos)= (Aj.Correc.3Coj.Buenos) P(3Coj intesBuenos) = Conclusin: La probabilidad posterior de que la mquina en la etapa de preparacin se haya ajustado correctamente es 0.963739% 96.3739%. De este modo hemos revisado muestra 0.5103 0.5295 = 0.963739 = 0.5103 + 0.0192 = 0.5295

probabilidad

original

de

un

ajuste

correcto

de

70%

96.37%, basada en observar 3 cojinetes producidos. 2 (Cinco observaciones para el problema de cojinetes que incluyen resultados inconsistentes), as: Primera observacin: Cojinete Aceptable (bueno) Tercera observacin: Cojinete Aceptable (bueno) Cuarta observacin : Cojinete Aceptable (bueno) Quinta observacin : Cojinete Aceptable (bueno) (A) (A) (A) (A)

Segunda observacin: Cojinete Inaceptable (malo) (I)

Cul es la probabilidad posterior que la mquina en la etapa de preparacin haya tenido un ajuste Correcto ? Solucin: Datos Iniciales de probabilidades para eventos elementales, P(Ajueste Correcto) P(Ajuste Incorrecto) Datos Iniciales de = = 0.70 l - 0.70 buenos = dado el 0.30 ajuste

cojinetes

correspondiente: P(1Coj. Bueno\AjusteCorrecto) = P(A\Ajus.Correcto) = 0.90

P(1Coj. Bueno\AjusteIncorrecto)= P(A\Aj.Incorrecto) = 0.40 Agregamos las probabilidades de un cojinete malo o

inaceptable dado el tipo de ajuste y stos datos seran sus complementos: P(1Coj. Malo\Aj.Correcto)=P(I\Aj. Correcto) = 1 - 0.9 = 0.1 P(1Coj. Malo\Aj.Incorrect)=P(I\Aj.Incorrec) = 1 - 0.4 = 0.6

Nuevas probabilidades para Cojinete Bueno - Cojinete Malo Cojinete Bueno Cojinete Bueno - Cojinete Bueno dado el evento inicial de ajuste, asi: P(AIAAA\AjusteCorrecto) = 0.9*0.1*0.9* 0.9*0.9 = 0.06561 P(AIAAA\AjusteIncorrecto)= 0.4*0.6*0.4*0.4*0.4 = 0.01536 probabilidades de la ocurrencia conjunta P(AIAAA, ajusteCorrecto) = 0.06561 * 0.70 = 0.045927

P(AIAAA, Ajustelncorrecto) = 0.01536 * 0.30 = 0.004608 Clculo de la probab. marginal de las cinco observaciones A I A A A, dado por la suma de las probabilidades conjuntas: P (AIAAA) = 0.045927 + 0.0046608 = 0.050535

Se nos pide: P(Ajuste Correcto\AIAAA) = P(Aj. Correcto, AI AAA) P(AIAAA) = Conclusin : La probabilidad posterior de que la maquina en la etapa de preparacin se haya ajustado correctamente es de 90.881567 %. De este modo hemos revisado nuestra probabilidad original de un ajuste correcto de 70% a 90.881567 %, basada en observar 5 Cojinetes producidos (A1AAA). 0.045927 = 0.90881567 0.050535

Aplicaciones De Probabilidades Revisadas Con Ms De Dos Eventos Elementales 1) Una empresa debido alto volumen de produccin, tiene cuatro proveedores para un cierto tipo de componente que usa. Los registros de los ltimos aos dan la siguiente informacin: PROVEEDOR SI S2 S3 S4 % DE ABASTECIMIENTO DEL USO TOTAL 40 30 20 10 % COMPONENTES DEFECTUOSOS (con el tiempo) 20 10 30 40

Un grupo de control de calidad examina un lote de ste tipo de componenteS recin recibido y al probar los primeros cuatro sacados encuentran que el cuarto componente esta defectuoso. Cul es la probabilidad que el proveedor "S2" haya surtido ste lote?. Solucin: B D = Componente bueno o aceptable. = Componente Defectuoso, malo o inaceptable.

Datos de probabilidades para eventos elementales dado por porcentaje de abastecimiento de los distintos proveedores, P(S1) P(S2) P(S3) P(S4) = 0.40 = 0.30 = 0.20 = 0.10

Probabilidades de obtener un componente bueno dado el tipo

de proveedor. Es el complemento de obtener un Defectuoso P(B\S1) P(B\S2) P(B\S3) P(B\S4) = = = = 1 - 0.20 1 - 0.10 1 - 0.30 1 - 0.40 = 0.80 = 0.90 = 0.70 = 0.60

Datos de probabilidades de obtener un defectuoso P(D\S1) P(D\S2) P(D\S3) P(D\S4) = 0.20 = 0.10 = 0.30 = 0.40

Probabilidades de obtener en secuencia 3 componente buenos y el ltimo defectuoso dado el tipo de proveedor (segn la nueva informacin) P(BBBD \ S1) = 0.8 * 0.8 * 0.8 * 0.2 P(BBBD \ S2) = 0.9 * 0.9 * 0.9 * 0.1 P(BBBD \ S3) = 0.7 * 0.7 * 0.7 * 0.3 P(BBBD \ S4) = 0.6 * 0.6 * 0.6 * 0.4 = 0.1024 = 0.0729 = 0.1029 = 0.0864

Probabilidades

conjuntas

de

03

componentes

buenos,01

componente defectuoso y tipo de proveedor P(BBBD, S1) P(BBBD, S2) P(BBBD, S3) P(BBBD, S4) = 0.1024 * 0.4 = 0.04096 = 0.0729 * 0.3 = 0.02187 = 0.1029 * 0.2 = 0.02058 = 0.0864 * 0.1 = 0.00864

Clculo de la probabilidad marginal del evento 3 buenos 1 malo; dado por la suma de las probabilidades conjuntas donde aparece el evento BBBD. P(BBBD) = P(BBBD, SI)+P(BBBD,S2)+P(BBBD,S3)+P(BBBD,S4)

= 0.04096 + 0.02187 + 0.02058 + 0.00864 = 0.09205 Se nos pide: P(S2\BBBD) = P(S2, BBBD) P(BBBD) Conclusin : La probabilidad posterior de que es S2 haya surtido ste lote del 23.758827% aproximadamente el 24%. = 0.02187 0.09205 = 0.23758827

PRCTICA
PROBLEMAS PROPUESTOS Problema 01 El producto (PT1) que fabrica una determinada empresa tiene un mercado estratificado en dos zonas, una zona mala y una zona buena (identificadas como Z1 y Z2 respectivamente), la probabilidad de hacer una venta en Z1 es de 0.10, y la probabilidad de hacer una venta en Z2 es de 0.40. Un vendedor que est a punto de visitar a un posible propone cliente y, hace esta una valoracin inicial de la al probabilidad de la zona mala como un 60 %. El vendedor se verificar valoracin inicial tratando posible cliente, y revisando despus su juicio previo a la luz del resultado. Cul son las probabilidades revisadas si: a) El vendedor hace la venta. b) El vendedor no hace la venta Respuestas e interpretacin a) 0.27272727 y 0.72727273

Interpretacin o respuesta si el vendedor hace la venta: La probabilidad posterior de que el cliente pertenece a la zona mala es del 27.272727 %, de este modo se ha revisado la valoracin de la probabilidad pertenece a la zona mala de inicial de que el cliente 60 % al 27.272727 %. La

probabilidad posterior de que el cliente pertenece a la zona buena es del 72.727273%, de este modo se ha revisado la valoracin de la probabilidad inicial de que el cliente pertenece a la zona buena de 40 % al 72.727273 %. b) 0.69230769 y 0.30769231

Interpretacin o respuesta si el vendedor no hace la venta: La probabilidad posterior de que el cliente pertenece a la zona mala es del 69.230769 %, de este modo se ha revisado la valoracin de la probabilidad pertenece zona a la es zona del mala de inicial de que el cliente 60 % al de 69.230769 este modo %. se La ha

probabilidad posterior de que el cliente pertenece a la buena 30.72.727273%, revisado la valoracin de la probabilidad inicial de que

el cliente pertenece a la zona buena de 40 % al 30.769231%.

Problema 02 El mercado para un cierto producto se compone de dos zonas (Zl considerada mala y Z2 considerada buena), en Zl la probabilidad de hacer una venta es de 0.12 y la probabilidad de hacer una venta en Z2 es 0,42. un vendedor planea visitar la zona mala y estima una valoracin de probabilidad de venta en 0.62. El desea verificar esta valoracin apriori sobre la base de 2 intentos de venta. Con esta informacin encontrar las probabilidades de

ventas revisadas sobre 2 intentos de ventas tanto para la

zona, mala como para la buena, si: a) b) c) d) Se hace 2 ventas consecutivas Se hace 2 no ventas consecutivas Se hace exactamente l venta en los dos intentos Comparar el resultado del punto c), considerando una sola muestra de venta y una de no venta en forma separada. Recomendacin para resolver esta pregunta el caso d): 1. Utilizar la estimacin de probabilidad previa de cada zona para obtener la primera revisin de probabilidades considerando una sola venta, siendo los resultados las nuevas que los para probabilidades previas encuentre con las nuevas probabilidades revisadas considerando una no venta. Ver resultados coinciden una distribucin los del punto c) puede ser anterior. Esto nos muestra que: La muestra total tomada revisar anterior dividida de cualquier manera sin afectar el reultado. Respuestas e interpretacin a) Zona mala = 0.11753555

Zona buena = 0.88246445 b) Zona mala = 0.78973617

Zona buena = 0.21026383 c) Zona mala = 0.41427487

Zona buena = 0.58572513 d) Los resultados coinciden con los del punto c.

Problema 03

Una empresa de fabricacin utiliza 3 mquinas en cada una de las cueles se produce el mismo tipo de producto, cuya produccin se ilustra en la siguiente tabla: MAQUINA A B C PRODUCTOS BUENOS 17 12 10 PRODUCTOS DEFECTUOSOS 08 06 02

Encontrar las probabilidades de que un producto salga de cierta mquina, dado que bueno o que es defectuoso. Respuestas : Probabilidades revisadas cuando el producto es bueno Mquina: A = 0.436 B = 0.307 C = 0.257 Probabilidades revisadas cuando el producto es Defectuoso Mquina: A = 0.502 B = 0.374 C = 0.124